論文の概要: Machine-learning Kohn-Sham potential from dynamics in time-dependent Kohn-Sham systems

• arxiv url: http://arxiv.org/abs/2207.00687v2
• Date: Mon, 21 Aug 2023 18:54:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 15:17:53.328046
• Title: Machine-learning Kohn-Sham potential from dynamics in time-dependent Kohn-Sham systems
• Title（参考訳）: 時間依存コーンシャム系のダイナミクスによる機械学習コーンシャムポテンシャル
• Authors: Jun Yang, James D Whitfield
• Abstract要約: 時間依存のコーン・シャム系のエネルギー汎関数とコーン・シャムポテンシャルを開発するための機械学習手法を提案する。 この方法はコーン・シャム系の力学に基づいており、モデルを訓練するために正確なコーン・シャムポテンシャルに関するデータを必要としない。
• 参考スコア（独自算出の注目度）: 3.4619244960577435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The construction of a better exchange-correlation potential in time-dependent density functional theory (TDDFT) can improve the accuracy of TDDFT calculations and provide more accurate predictions of the properties of many-electron systems. Here, we propose a machine learning method to develop the energy functional and the Kohn-Sham potential of a time-dependent Kohn-Sham system is proposed. The method is based on the dynamics of the Kohn-Sham system and does not require any data on the exact Kohn-Sham potential for training the model. We demonstrate the results of our method with a 1D harmonic oscillator example and a 1D two-electron example. We show that the machine-learned Kohn-Sham potential matches the exact Kohn-Sham potential in the absence of memory effect. Our method can still capture the dynamics of the Kohn-Sham system in the presence of memory effects. The machine learning method developed in this article provides insight into making better approximations of the energy functional and the Kohn-Sham potential in the time-dependent Kohn-Sham system.
• Abstract（参考訳）: 時間依存密度汎関数理論(TDDFT)におけるより良い交換相関ポテンシャルの構築は、TDDFT計算の精度を改善し、多電子系の特性をより正確に予測することができる。 本稿では,時間依存型コーンシャムシステムのエネルギー汎関数とコーンシャムポテンシャルを開発するための機械学習手法を提案する。 この方法はコーン・シャム・システムのダイナミクスに基づいており、モデルのトレーニングに正確なコーン・シャムポテンシャルに関するデータを必要としない。 1D高調波発振器の例と1D2電子の例で本手法の結果を実証した。 機械学習されたコーンシャムポテンシャルは、記憶効果がない場合に正確なコーンシャムポテンシャルと一致することを示す。 本手法は,コーン・シャム系のダイナミクスを記憶効果の存在下でも捉えることができる。 本稿では,時間依存型コーン・シャムシステムにおけるエネルギー汎関数とコーン・シャムポテンシャルのより良い近似に関する知見を提供する。

関連論文リスト

• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• NeuralSCF: Neural network self-consistent fields for density functional theory [1.7667864049272723]
  コーンシャム密度汎関数理論(KS-DFT)は、正確な電子構造計算に広く応用されている。 深層学習の目的としてコーン・シャム密度マップを確立するニューラルネットワーク自己整合体(NeuralSCF)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-22T15:24:08Z)
• D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
  コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。 このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。 さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
  論文  参考訳（メタデータ） (2023-03-01T10:38:10Z)
• Deep learning of spatial densities in inhomogeneous correlated quantum systems [0.0]
  ランダムポテンシャルに基づいてトレーニングされた畳み込みニューラルネットワークを用いて,密度の予測が可能であることを示す。 我々は,不均一な状況下での干渉と相互作用の相互作用と相転移を伴うモデルの挙動をうまく扱えることを示す。
  論文  参考訳（メタデータ） (2022-11-16T17:10:07Z)
• Revealing microcanonical phase diagrams of strongly correlated systems via time-averaged classical shadows [0.0]
  本稿では,量子力学から量子コンピュータ上のミクロカノニカル相と相転移を研究する手法を提案する。 まず,100量子ビット系の基底状態計算に適用し,磁化と磁場の幾何学的関係を明らかにする。 次に、量子力学シミュレーションによるTACSデータの拡散マップは、位相決定特性を効率よく学習し、量子臨界領域を正しく同定することを示した。
  論文  参考訳（メタデータ） (2022-11-02T16:39:52Z)
• Slow semiclassical dynamics of a two-dimensional Hubbard model in disorder-free potentials [77.34726150561087]
  調和およびスピン依存線形ポテンシャルの導入は、fTWAを長期間にわたって十分に検証することを示した。 特に、有限2次元系に着目し、中間線形ポテンシャル強度において、高調波ポテンシャルの追加と傾きのスピン依存が、亜拡散力学をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-03T16:51:25Z)
• Port-Hamiltonian Neural Networks with State Dependent Ports [58.720142291102135]
  本手法は,数個の内力および外力を持つ単純な質量スプリングシステムと,より複雑で現実的なシステムの両方において,ストレス試験を行う。 ポート-ハミルトンニューラルネットワークは、状態依存型ポートでより大きな次元に拡張することができる。 スパースデータとノイズデータのトレーニングを改善するための対称高次積分器を提案する。
  論文  参考訳（メタデータ） (2022-06-06T14:57:25Z)
• Machine learning for excitation energy transfer dynamics [0.0]
  我々は、生物状態におけるオープン量子力学をシミュレートするために、階層的な運動方程式(HEOM)を用いる。 我々は、光収穫錯体を通した電子励起のコヒーレントな伝播を表現した、時間依存オブザーバブルの集合を生成する。 我々は、この研究課題に対処する畳み込みニューラルネットワークの能力を実証する。
  論文  参考訳（メタデータ） (2021-12-22T14:11:30Z)
• Dynamic Learning of Correlation Potentials for a Time-Dependent Kohn-Sham System [2.6763498831034034]
  本研究では,時間依存型コーンシャムシステム(TDKS)の相関ポテンシャルを1次元で学習する手法を開発した。 我々は、時間依存シュリンガー方程式を数値的に解くことができる低次元2電子系から始める。 共役を応用して、勾配を計算し、相関ポテンシャルのモデルを学習する効率的な方法を開発する。
  論文  参考訳（メタデータ） (2021-12-14T00:01:19Z)
• Machine Learning S-Wave Scattering Phase Shifts Bypassing the Radial Schr\"odinger Equation [77.34726150561087]
  本稿では, 畳み込みニューラルネットワークを用いて, 正確な散乱s波位相シフトを得られる機械学習モデルの実証を行う。 我々は、ハミルトニアンが物理的に動機づけられた記述子の構築において、いかにして指導原理として機能するかについて議論する。
  論文  参考訳（メタデータ） (2021-06-25T17:25:38Z)
• Controlled coherent dynamics of [VO(TPP)], a prototype molecular nuclear qudit with an electronic ancilla [50.002949299918136]
  本稿では,[VO(TPP)](バナジルテトラフェニルポルフィリン酸塩)が量子計算アルゴリズムの実装に適していることを示す。 超微細相互作用によって結合された電子スピン1/2を核スピン7/2に埋め込み、どちらも顕著なコヒーレンスによって特徴づけられる。
  論文  参考訳（メタデータ） (2021-03-15T21:38:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。